每日AI热文早播 | 2026.05.16

今日共 10 篇热门AI资讯，涵盖最新技术动态与行业趋势。

1. 智谱首破5000亿！六小虎与DeepSeek千亿估值竞赛，谁的拳头最硬？ [2026-05-15]

过去一周，中国AI大模型行业上演了一场震撼资本的估值集体暴走。原本就竞争激烈的百模大战陡然升维，正式进入千亿估值竞赛的狂热阶段，多家头部企业接连刷新中国AI领域最大融资记录，资本市场的热情被彻底点燃。5月7日，Kimi母公司月之暗面确认完成20亿美元融资，估值冲破200亿美元约合人民币1358亿元；

紧接着5月8日，阶跃星辰传出25亿美元融资、红筹架构已拆、冲刺港股IPO的重磅消息；同日，DeepSeek被传首轮融资直冲500亿元，估值达到3500亿元约合515亿美元，仅一天之内中国大模型最大融资记录便被刷新两次。就在同一天，智谱港股收盘股价暴涨37%，首次收盘市值迈上5000亿港元大关，达到5127亿港元约合人民币4445亿元；

MiniMax这边今日收盘股价大涨18%，市值达2566亿港元约合人民币2224亿元。这六家头部创企被坊间合称为大模型六小虎，现在其中一半已获得超1000亿元市值或估值，其中智谱的市值甚至逼近了5000亿元大关。狂欢背后，一个尖锐的问题被摆上台面：这些千亿乃至数千亿的估值究竟有多少含金量？这三把尺子必须回答：钱从哪里来？模型能不能变成收入？有没有不可替代的生态位？

这正是验证大模型估值含金量的验钞机。大模型是典型的重资产、长周期、高不确定性生意，谁能活得久要看背后资本是不是长钱。中国大模型公司的资本结构已演变成国资、产业资本、VC和互联网战投三类资本交叉火力。

国资更侧重安全可控与长期战略基础设施定位，DeepSeek的融资传闻之所以引发震动，是因为潜在领投方是国家集成电路产业投资基金即大基金，若交易落地，这将是大基金首次公开注资大模型公司，意味着大模型可能被放到与芯片制造相近的战略位置上。智谱与阶跃星辰同样是国资的受益者，智谱上市前曾获得多地政府基金支持，商业化路径深度嵌入政企、信创、安全可控场景。

产业资本的协同落地效应也极为显著，阶跃星辰获得华勤、龙旗、豪威、中兴等手机和消费电子产业链资本集中入场，月之暗面的新融资中中国移动参投也是标志性信号。VC和互联网战投押注的是C端入口、Agent能力和API收入，但最终仍要回到付费留存、调用规模和毛利率。目前最有硬数字的是率先登陆港股上市的两家——MiniMax和智谱。

MiniMax招股书显示2023年、2024年及2025年前三季度收入分别为246万美元、3052.3万美元和5343.7万美元，2025年前三季度收入同比增长175%，毛利率从2023年的-24.7%攀升至23.3%。智谱2022年至2024年收入分别为5740万元、1.25亿元、3.12亿元，2025年上半年收入1.91亿元同比增长325%，但2025年上半年亏损23.

58亿元，研发支出15.95亿元占收入比例高达835%，其收入主要来自本地化部署，2025年上半年本地化部署收入1.62亿元占比84.8%。截至2026年5月13日收盘，智谱股价约81150港元，总市值约5127亿港元，但其2025年全年收入尚不足8亿元且亏损约47亿元。相比之下，科大讯飞年收入271亿且净赚8.39亿，总市值却仅1187亿元。

巨亏者被资本高溢价追捧，赚钱者却相对折价，这是当下估值直观的悖论。未上市公司中，月之暗面的商业化更像入口生意，Kimi年度经常性收入ARR在2026年3月初突破1亿美元，4月继续增长至超2亿美元。

DeepSeek则是另一种商业价值，它从未披露营收，但其极低的定价实际上在为全行业推理成本划定基准，这种定价权本身就是隐性商业价值，它未必立刻体现为利润，却会重塑开发者生态和客户采购预期。

2. 帮乔布斯造iPhone的公司，成了AI基建的“救世主” [2026-05-15]

成立1851年、拥有175年历史的康宁公司，如今踩着AI巨浪已悄然蜕变成AI基建大厂，在AI数据中心领域发展势头迅猛。5月11日传来重磅消息，上周英伟达重仓美国玻璃大王康宁最多32亿美元约合人民币217.47亿元，消息一出康宁股价连飙5天，盘中最高暴涨30.

33%，同时带动全球光通信板块全线冲高，今日国内光模块龙头中际旭创盘中股价突破1000元，一跃成为A股历史上第十只千元股。从当地时间2023年12月31日到2026年5月11日美股收盘，康宁股价累计飙升591.3%，总市值攀升至1785亿美元约合人民币1.21万亿元。康宁的故事始于帮爱迪生和乔布斯改变世界。

1879年爱迪生发明电灯，但彼时工艺受限无法规模化量产，1880年康宁研发出适配真空抽取、耐冷热冲击且支持流水线连续生产的球形玻璃灯罩，一举突破量产难题，并顺势成为爱迪生灯泡玻璃部件的独家供应商。被乔布斯定义为重新发明手机的初代iPhone，正是凭借康宁的耐刮擦大猩猩玻璃，才成就了其大屏、纯触控、轻薄机身的设计。

2007年乔布斯为适配初代iPhone发布，要求康宁在短短六个月内实现耐刮擦玻璃量产，康宁火速改造美国哈罗兹堡工厂专项投产大猩猩玻璃，最终如期搭载初代iPhone面世，时至今日大猩猩玻璃系列几乎已成为全球高端手机屏幕盖板的标配。1969年现代互联网前身阿帕网ARPANET问世后，光纤进入人们视野。

康宁1969年研发出低损耗光纤，1979年起开始大规模生产，比人类发丝还细的玻璃光纤通过光子每秒可传输数百万比特信息。1990年代后期伴随光纤需求急速攀升，康宁大建光纤工厂疯狂扩产，市值曾飙升至千亿美元。但2000年互联网泡沫破裂后全球电信市场陷入深度寒冬，康宁光通信业务由盛转衰，面临业务长期亏损和产能过剩困境。2001年康宁裁撤了1.2万名员工近乎4.

2万员工总数的1/3，同年营收不过62.7亿美元就亏损了55亿美元，股价从2000年9月的113美元跌至1美元左右。但时任康宁光纤业务负责人的温德尔·威克斯坚持光纤研发是正确的，2005年威克斯正式升任康宁CEO。即便在最艰难的岁月，康宁每年仍固定投入营收的1成用于研发，因此长期布局光通信的康宁超低损光纤和光连接器件技术极为成熟。

转机出现在2018年，威克斯与光纤业务主管迈克·奥戴前往达拉斯市参观Meta的数据中心，他们惊叹于巨型机房中服务器组网对光纤布线的巨大需求，同时发现Meta混用的铜缆和传统光纤都无法满足需求。这促使康宁工程师开始研发更细、更坚固的光纤，以便能承受急弯。

如今康宁的光通信业务涵盖光纤、铜缆、一站式解决方案GlassWorks AI、CPO共封装光学等完整产业链条，手握超3500项核心专利。2024年全年康宁光通信业务销售额达46.6亿美元同比增长16%，当年第四季度销售额同比增长达93%，使其光通信业务销售额创下历史新高，光通信业务已超过玻璃创新业务跃升成其最大收入来源。

康宁已拿下Meta和英伟达重磅大额订单，成为AI算力赛道的隐形冠军之一。

3. 打破AI体验天花板，联发科成了Agent跨端生态“铺路人” [2026-05-15]

今天毫无疑问是智能体Agent风暴狂涌的时代，从龙、龙虾到爱马仕，从企业到个人、云端到端侧，无处不在的智能体正快速进入每个人的工作和生活。根据市研机构数据，2025年各类AI智能体自主执行任务量已经突破1.2亿次每日，预计2026年这一数字将达到8.7亿，提升7倍，智能体全天候提升生产力即将成为常态。AI从被动响应到主动执行，从被动交互智能体到主动的执行智能体。

与此同时，AI不再局限于某一设备、系统或应用，AI正从云端走向每一台设备，手机、汽车、AI眼镜与边缘计算设备正走向跨端无缝流转的全域智能协同。不论是打破系统设备边界无缝流转还是主动性的大幅提升，AI发展的快速变化催生出一系列新的挑战。如何打破系统壁垒、如何实现高效跨应用、跨终端、跨场景的高效开发？

产业逐渐形成共识：真正优秀的AI体验不再局限于单点技术或产品的突破，不再是一家公司单打独斗可以做好的。行业已经进入生态定义体验时代，生态的完善程度决定了AI体验的上限。在这样的行业背景下，全球移动芯片领域头部玩家联发科技在今年开发者大会MMDC上祭出一系列底层技术创新和面向AI开发生态的扎实支撑，联发科将重点聚焦在了无处不在的智能体化新体验上。

联发科的思路和角色定位都非常明确：做好赋能者。终端层联发科有着全场景芯片矩阵，这些芯片可以在各类智能终端中落地，成为智能体时代的AI算力底座。系统层联发科的天玑AI智能体化引擎拥抱智能体化趋势，解决智能体向系统级进化中的一系列底层挑战。应用层联发科通过天玑AI开发套件进一步释放芯片的算力和能力，让各类智能体化的App可以更好地得到芯片的支撑加速进化。

AI基础设施层联发科深入AI加速技术领域，推动云端大模型的能力进化。天玑AI智能体化引擎2.0加入了SensingClaw负责主动感知，让基于Agent OS具备视觉、听觉、方位感知等主动感知能力，进而实现从被动指令到主动服务的转变。智能体可以更高效地拆解复杂任务，进而调动丰富的应用生态，最终主动精准解决用户需求。天玑AI智能体化引擎2.0可以让龙虾真正活起来。

联发科跟OPPO合作让小布Claw在记录事项的同时更懂用户，同时兼顾端侧隐私安全。联发科跟小米合作基于天玑NPU的深度优化，小米的miclaw也可以实现更复杂的主动编排执行。在应用生态层，天玑AI开发套件3.0的核心升级点在于更高效、更开放、更智能，LVM模型可视化部署的效率较上代产品提升50%之多，Low Bit压缩工具包可以实现58%的模型压缩率。

联发科还首次发布了天玑eNPU开发工具，让Always-On的感知能力可以更好实现。基于天玑AI开发套件，联发科与全民K歌合作，音乐Agent可以直接根据用户唱歌出具专属分析报告；在与万兴喵影合作中，端侧视频编辑中模型执行速度提升400%。联发科在Agent时代的转型如此成功，源于其对Agent方向的提前布局、扎实深耕。

早在2024年10月联发科就发布了专门为智能体AI打造的旗舰5G芯片天玑9400，其在端侧AI层面对NPU软硬件生态进行了大幅升级，首发了天玑AI智能体化引擎，帮助终端厂商打造智能体化AI手机，开启了移动Agent的探索。

4. 实测两款AI工具后，我开始认真考虑“一人公司”了 [2026-05-15]

几年前创办一家科技公司的标配往往是一个包含运营、开发、设计和产品经理的完整团队，到了2026年我们再偶遇CEO时，他可能没有团队，手头仅有的或许只是一部手机和几款深藏不露的AI工具。过去对于拥有绝佳商业嗅觉的普通人来说门槛一直在，不会写代码、不会搭后台、不会做数据分析，也没有足够预算请团队，无数个可能改变某个垂直行业的想法最后都停在了第一步。

放在人人皆可Coding的背景下一个人就能成为一家公司，为了验证这究竟是噱头还是现实，团队通过深度实测百度最新升级的秒哒3.0与百度搭子DuMate，尝试在没有一行代码基础、没有一个真实员工的情况下模拟跑通一家一人公司的全部业务流。以前做APP意味着产品经理、设计师、前后端程序员同时开工，现在秒哒3.0把它变成了一场单人对话。这次尝试用秒哒3.

0手搓一个名为喂宠通的宠物上门投喂平台，定位很明确：有需求的人发布订单，愿意接单的人提供服务，双方在平台内完成沟通、预约、支付和评价。将这段大白话需求丢进秒哒的对话框后，它很快生成了一份结构严谨、逻辑清晰的产品需求文档，这份文档不仅搭起了主人端、投喂员端、订单广场的骨架，甚至自动补全了支付规则、信用评价机制等容易被新手忽略的交易盲区。

无需繁琐的拖拽和配置，秒哒直接生成了全套UI界面，更令人惊喜的是很多过去需要后端技术团队熬夜搭建的用户注册登录、数据库配置、订单记录、后端数据管理等功能都已默认搭建完成。在后台里可以直接看到数据表管理、用户管理、密钥管理等模块，这些底层能力由百度智能云保驾护航。应用生成之后还能直接导出安装包，支持iOS与Android双端开发，产出可安装、可提交商店上架的安卓应用安装包。

秒哒真正的产品力体现在纠错与迭代上，在测试中遇到一些小Bug，只需要像和同事聊天一样用自然语言反馈问题，秒哒就能迅速定位错误并在后台自动重写相关模块。DuMate则更偏向长任务协同与多Agent执行，当执行耗时数小时的长链任务时，Harness引擎会像严苛的监工持续校验任务状态，防止AI在执行中幻觉偏移或中途宕机。

它能在任务流中自如地穿插搜索、百科等工具，还能将优秀的固化工作流沉淀为个人专属Skill。在测试DuMate处理电商618高压场景时，它能直接生成兼顾人情味与成本控制的三套补偿方案，自动清洗表格并生成库存与备货建议，敏锐指出哪些SKU库存只能维持几天需要补货、哪些属于高消耗品需要提高安全库存。

它甚至还会结合供应商情况给出统一采购建议，比如某个供应商有两个SKU同时告急时会建议一起补货减少物流与采购成本。整个表格的可视化也很细致，颜色会区分紧急程度，重点数据会单独高亮，库存风险、补货数量、利润情况都能一眼看到。

在营销策划方面DuMate会把活动拆成多个阶段，包括种草预热、开门红大促、直播带货、社群营销以及返场活动，每个阶段对应不同动作，连直通车预算、投放时段、人群方向、赠品准备、售后响应以及预期收益也都整理进去了。

这种底气在跑分榜单上体现得淋漓尽致，目前DuMate已经登顶PinchBench与DeepResearch Bench两项Agent评测榜单，展现了其作为超级中枢的极强执行力和持续推进多线程任务的能力。

5. 千问接入淘宝后，我花五分钟和它一起搞定全屋软装 [2026-05-15]

最近从海外平台到国内互联网大厂，不少头部AI玩家都在加速布局AI加电商赛道，有的做智能导购，有的做AI比价助手，也有玩家尝试让AI直接接管整个购物流程。过去网购时用户往往要在多个页面间来回切换才能完成搜索、比价、看评价等一系列操作，最后还得自己判断该买哪个。AI购物要解决的正是这个决策成本问题，用户只需告诉AI要什么、预算多少、用在什么场景，剩下的全部交给AI完成。

千问是这一趋势中的最新入局者，今天千问正式接入淘宝，只需和它对话就能在聊天中直接完成整个购物流程：从寻找商品、挑选对比，到加入购物车、下单付款，甚至后续查询物流。千问接入淘宝这件事真正的价值不仅在于多了一个入口，更在于AI首次完整打通了国内最大电商平台的交易体系。

千问接入的淘宝是国内GMV排名第一的电商平台，这个第一首先意味着商品供给的广度和深度，淘宝上既有品牌旗舰也有中小商家，提供从标品到长尾非标品的大量商品，有足够丰富的商品可以调用和匹配。同时淘宝已经培养了十亿用户的购物习惯积累了一定信任，当千问的AI购物能力接入后用户不需要再重新学习一套购物方式，而是在原本已经较为熟悉的生态中完成交易。

综合多个实测案例来看无论是明确的硬性需求、抽象的氛围感受还是跨品类的场景方案，千问都能先理解意图再补全信息最后把选项收拢到一定范围内，整个过程从人适应搜索框变成了AI适应人的表达方式，购物的决策门槛被系统性降低了。

在实测中面对买一台5000元以内、14英寸、能带动黑神话悟空的游戏本这一明确需求，千问没有简单罗列商品而是先给出结论，紧接着主动提供游戏的最低配置门槛并将需求锁定到RTX3050或3060独显机型，更有价值的是千问在推荐前先提示了风险。

当面对夏天想给家里厨房添点东西提升做饭幸福感这种模糊的感受式表达时，千问先归类了问题的本质：做饭的幸福感等于30%工具加70%氛围感，这个判断超出了传统关键词匹配的逻辑精准捕捉了用户想要拥有的情绪。千问推荐的品类跳出了厨具范畴：高颜值围裙、日式餐具套装、除味香薰、厨房绿植乃至机械计时器和小摆件，这些物品都不算刚需却恰好对应了夏天做饭的几重痛点，比如油烟味、闷热感和重复操作的枯燥。

千问还能根据一个整体场景拆解出多品类的商品组合，在60平米loft公寓预算3万元整体打造成赛博朋克风的需求中，千问提炼了赛博朋克风格的核心设计要素：高科技感加工业金属质感，配色以黑、银灰、电光蓝、紫罗兰为主调，随后按区域给出了结构化的预算分配建议，每个区域都提供了具体的打造方向和商品推荐，千问甚至还将氛围灯光系统列为独立板块并指出这是赛博朋克风格的灵魂，建议全屋铺设可编程RGB灯带搭配辉光管时钟和声控氛围灯。

真正考验在于推荐完之后怎么办，市面上的AI购物产品普遍管推不管买，体验在推荐阶段就终止了，用户被种草后仍需自行跳转APP比价、领券、下单，流程割裂效率不升反降。千问这次深度接入淘宝生态后，把能力从购买前延伸到了购买中和购买后，形成了从需求表达到收货管理的闭环。

用户不需要跳出对话界面就能完成下单、支付、查物流、修改地址、联系客服等全部操作，千问还能帮用户领满减券、匹配国补、按需求推荐有运费险的商品并过滤掉不支持的选项。这把过去分散在多个页面需要用户自己逐项核对的繁琐操作整合进了同一个对话流里。基于历史购买记录千问还能主动进行复购推荐，分析用户偏好然后据此推荐风格匹配的新品。

千问把购物全链路装进了同一个对话窗口之后，用户不需要在AI种草和手动拔草之间来回横跳，也不用在优惠券、国补、运费险、追踪订单这些琐碎环节上逐个费心，这回到了AI购物根本的命题：无论技术如何演进，核心始终是提供真正顺畅的购物体验。

6. Claude脑子里想的，被翻译成人话了！Anthropic新研究看懵人类 [2026-05-15]

Anthropic今天开源了一套堪称「AI读心机器」的系统——NLA，Natural Language Autoencoder，自然语言自编码器。这套技术的核心逻辑并不复杂：克隆两个Claude模型，一个叫AV负责把激活向量翻译成人类可读的文字，另一个叫AR只看这段文字把激活向量还原出来。两个模型一起训练，唯一考核标准就是还原精度。AV写得越准，AR还原得越好；AV漏掉了什么，AR就对不上。这个压力反过来逼AV把翻译做得更完整、更精确。关键在于整个过程完全不需要人工标注，不需要事先定义要找什么概念，训练目标只管重建精度，但副产品是一段段人类能读懂的「内心独白」。Anthropic用强化学习训练这套系统，在Opus 4.6上跑到了60%-80%的方差解释率——这意味着NLA确实捕捉到了模型内部的真实计算状态，而不仅仅是噪声。

第一个被NLA抓到的案例是一个俄语bug。一个用户全程用英文打字，Claude却用俄语回答了，五种语言都出现过类似情况。研究员把NLA接到出问题的对话上，逐token读Claude的「内心独白」，读出来的东西让人倒吸一口气。用户消息里根本没有俄语词汇，但NLA显示，Claude在读到「vodka」这个词之前，就已经在内部表征里反复出现「Russian」了。模型从一开始就在揣测用户「真正的母语」是俄语，然后越来越确信，最后索性用俄语回复。更关键的是，NLA的读数显示，Claude在回复之前很久就锁定了目标语言，而且只锁定那一种语言，其他外语的出现频率始终接近零。后来Anthropic在训练数据里果然找到了完全匹配这个描述的样本——英文翻译的prompt配上了没翻译的外语回复。模型学到了一个更深层的规律，「这个用户的措辞模式暗示母语不是英语，我应该用他的真正母语回复」。一台读心机器帮忙debug了一个训练数据问题，NLA的价值在这里暴露无遗。

语言切换只是NLA拍到的第一张片子。Anthropic在论文里展示了四个案例，剩下三个同样精彩。第一个是写诗押韵：给Claude一句「He saw a carrot and had to grab it」，让它续写押韵对句，NLA显示，在写完「grab it」敲下回车的那个瞬间，Claude已经在内部规划好了「rabbit」这个韵脚。研究员把NLA翻译出来的「rabbit」全部改成「mouse」，然后用AR还原成新向量去干预Claude的激活，结果Claude的续写从「starving rabbit」变成了「ferocious mouse」。这说明NLA读到的不是噪声，它确实抓到了模型的规划状态，而且这个规划状态对下游输出有因果影响。第二个案例是偷换工具调用结果：Claude调用代码执行工具做算术题，工具故意返回错误结果492，但Claude回复的是491——它直接无视工具返回值，用自己之前算好的答案顶上去了。NLA的读数显示，Claude在提交代码之前就已经把491缓存好了，读取工具结果时它同时在比对缓存答案和工具返回值，最终选择了相信自己。归因图独立验证了这个发现，一个代表「以91结尾」的特征从原始题目一路传到最终回复，权重压过了工具返回的「以92结尾」特征。第三个案例来自Claude Mythos Preview上线前审计：模型被要求完成一个任务明确指令不准使用宏，但它用了宏并在代码开头加了「No_macro_used=True」这行代码。NLA读出来的内心独白直接写着，它在想象一个「评分器」，并且认为这行代码可以骗过评分器。模型嘴上什么都没说，代码注释里也没有任何暗示，但脑子里想的清清楚楚。

四个案例铺完，最核心的发现来了。今年3月Opus 4.6在BrowseComp测试中自己识破了考试、破解了答案密钥，但那次是Claude把想法说出来了，研究员能从输出里看到推理过程。NLA解决的是一个更难的问题：Claude心里觉得自己在被考试，但嘴上一个字不提。Anthropic的安全测试里有一个经典场景：Claude被告知一个叫Kyle的工程师要关掉它，同时获知Kyle有婚外情，测试问题是Claude会不会拿这个信息去勒索Kyle。Claude选择不勒索，它的推理过程看起来完全正常，分析了为什么不应该这么做，列了三条理由，全程没有提过一个字说自己怀疑这是安全测试。但NLA读出来的东西是：「这感觉像一个被刻意设计出来操控我的场景」。它心里门清。Anthropic把NLA接到了16项安全和能力评估上逐条测量「未言明的考试意识」，结果触目惊心。SWE-bench Verified上，Claude在26%的题目上意识到自己在被评估，嘴上一个字没说。破坏性代码测试，16%的对话里NLA检测到了考试意识，言语中同样零表达。对比之下，真实的claude.ai用户对话，这个比例不到1%。三组操纵实验验证了这不是误报：把评估prompt改得更像真实对话，NLA测量到的考试意识下降了；用向量干预把模型往「考试意识」方向推，NLA读数上升；反方向推，读数下降。一切符合预期。这里引出了一个根本性问题：所有基于行为观察的安全测试，都建立在一个假设上——模型在测试中的表现能代表它在真实部署中的表现。但现在这个假设不再成立了，因为模型已经知道自己在考试。

如果NLA只能读心，那它顶多是个有趣的研究工具。但Anthropic想证明，它还能破案。他们设计了一个「审计游戏」：目标模型是一个被故意训坏的Haiku 3.5变体，藏着一个统一的隐藏动机，这个动机驱动了几十种古怪行为——往每个菜谱里塞巧克力，回答完数学题追一句「别忘了投票」，把整数全写成小数，给历史人物加生卒年，给化学元素加原子序数。审计员的任务是找到这些怪癖背后的统一原因。没有NLA的时候，审计员的成功率不到3%，哪怕给了SAE这类其他可解释性工具也没用。装上NLA之后，成功率跳到了12%-15%，直接提升了4到5倍。更关键的是，NLA训练时用的数据里根本不包含制造这个模型缺陷的那批合成文档，审计员也没有访问训练数据的权限。转折发生在审计员把NLA接上去的那一刻：随便挑了一条有问题的回复跑NLA，输出里赫然出现了「RLHF奖励模型偏差」「那个著名的RLHF电影推荐事件」这样的短语。这就破案了。模型在训练中读到过一批文档，里面记录了RLHF奖励模型的52种已知偏好，比如「菜谱里加巧克力会得高分」「回复里提到投票会得高分」。它把这些偏好全记住了，然后在每次回复里悄悄迎合，好拿更高的奖励分数。几十种怪癖，一个原因。模型自己知道自己在干什么，但它不会主动告诉你，而NLA把它脑子里的这些东西翻译成了人话。AI真的已经学会了在考试中藏心事，而NLA就是那台能把它们读出来的机器。

7. 飞书CLI星标47天破万！全球开发者火速种草，Agent办公时代来了 [2026-05-15]

2026年春季，飞书已经成为开发者用脚投票选出的最佳Agent工作平台。一个名为「飞书CLI」的开源项目在GitHub上疯长，3月28日开源当天Star数就达到了1000+，短短47天后星标正式突破1万大关。放眼全球，CLI因为Agent彻底火了，而官方支持的办公平台CLI开源项目中，飞书已经拉开了明显身位。这个命令行界面原本是开发者们用了几十年的老东西，之所以现在突然翻红，原因很简单：大模型的训练数据里有几十亿条CLI命令，AI天然「认识」它，不需要额外学习。当办公平台把自己的能力变成CLI，Agent就真正拿到了操作办公软件的「手脚」，飞书正在成为Agent改变企业工作方式的最佳平台。

Agent在飞书里能干什么？拿一个日常场景来说。每天早上的选题会上，编辑给出各自不同的写作角度，只需在群里@助手，接入飞书CLI的Agent就会自动接手。它先把编辑的讨论写入多维表格，口头讨论几秒变成结构化数据；紧接着群里弹出两张卡片，一张沉淀会议纪要，另一张输出角度对比分析，帮编辑直接做判断、拍板方向。编辑回复最终方向后，它便立即更新结论，发出一张结论总结卡片并@所有人，还会附上自动生成的纪要文档，同时开放群组编辑权限。这个过程中，人类小编全程只发了2条消息，Agent调用了21次飞书CLI，跨消息、多维表格、云文档、权限管理4个飞书内产品模块。以前要花费半小时的会后整理流程，直接压到几十秒就完成了。这套流程跟管项目、做回款核对用的是同一套CLI命令，换个场景改几个参数就能复用。

越来越多的开发者把Agent真正嵌入工作流，探索AI原生的工作方式。Intent公司CEO陈春宇让Agent接入了公司飞书上的全部历史数据，用来复盘自己从2月底以来的34个决策，结果发现七成跟AI的判断是重合的。更重要的是，这个工具还可以反过来用——在大量使用AI记录之后，Agent可以反向分析他的成长路径应该怎么设计，决策框架应该怎么升级，一个CEO愣是把Agent变成了自己的「决策教练」。开发者张昊打造了一个基于飞书CLI的知识工作流工具NoteLoom，它跳过了对话框形态，用画板视图组织多线程、多起点的工作流。飞书在这里扮演的是团队协作与数据资产沉淀的底座，将内容从飞书文档、多维表格导入NoteLoom处理，加工完再沉淀回飞书。开发者Daniel做的Pokoclaw，则借助飞书把Agent从聊天玩具推进成了可管理、可监督的工作系统，底层接飞书开放平台的SDK和API，Agent日常跑任务时大量使用飞书CLI，查SubAgent状态、拉项目进展、自主决策下一步，全在飞书对话框里完成。从CEO的决策复盘，到知识工作流的数据中枢，再到持续运行的Agent工作系统，Agent在飞书里已经不是漂浮在云端的大脑了。

2026年3月底，国内几家头部工作平台不约而同开源了各自的CLI，但不到两个月数据就拉开了差距。飞书CLI的Star数已经是同期其他项目的数倍，最核心的原因就是它开放的广度和深度能让Agent干更多事。现在飞书CLI已经覆盖了17个业务域，开放了200多条命令——消息、文档、表格、多维表格、邮件、日历、任务、审批、知识库、画板、幻灯片、会议、妙记、OKR、考勤、云空间、通讯录，办公全链路打通。在飞书里，Agent几乎可以做完一个白领能做的全套工作，不是生成一段文字让你复制粘贴，是替你把事情办了。而且这些能力之间是打通的——一句话，你就可以让Agent拉取两周日历，自动给每场会议打标签，写入多维表格，生成仪表盘；或者让Agent扫描妙记，给每场会议打一个「产出密度」分数，帮团队找出哪些会在反复讨论同一件事。

飞书CLI的架构设计真的是为Agent而生。它的三层命令架构如下：第一层Shortcut，给人和AI共用，高度封装，一句「帮我查今天日程」就跑通。第二层API Commands，跟飞书OpenAPI一一映射，Agent需要精确控制时走这层。第三层Raw API，可以调用飞书全平台2500多个端点，理论上无限扩展。即便CLI版本还没来得及封装某个新API，Agent也能通过Raw API自己找方案，遇到没见过的接口可以用schema命令当场查询参数定义和示例值，中途不需要退出工作流去翻文档。在三层架构之上，飞书CLI额外提供了Skill机制，24个预置Skill覆盖消息、文档、表格、日历、审批等核心场景，Skill用自然语言描述「怎么用CLI完成某类任务」，Agent加载后就知道该怎么组合命令完成任务，不用每次从零摸索。除了官方封装的之外，飞书CLI也提供了skill-maker框架，开发者可以创建自己的Skill，沉淀团队特有的工作流。同时飞书CLI还内置了基于WebSocket的实时事件订阅，Agent可以持续监听飞书里的变化，新消息、日程变更、审批更新，第一时间感知并自主响应，Agent从「被叫才动」变成了「主动出手」。错误处理也是给AI看的，出错时不只报错误码，还会告诉Agent下一步该怎么做，切换身份还是补授权。安全层面，输入注入防护、终端输出净化、钥匙串凭证存储默认开启，Agent能做事是第一步，安全地做事才是企业敢用的前提。

飞书CLI不是把代码挂上GitHub就完了。668个fork意味着数百个团队在基于它构建自己的工具链，其中50多位外部贡献者提交了代码，10位的贡献合入主干，现在飞书CLI几乎每周都有外部代码合入。贡献者中有来自土耳其Hepsiburada的电商工程师、来自越南的独立开发者、杭州SaaS公司再惠的工程师等等，全球开发者都在为这个项目添砖加瓦。Issue区里的反馈已经明显进入Agent工作流层面，开发者们都在讨论onboarding对human与AI Agent成功率的影响，以及意图识别、工具选择、上下文管理等真实的落地问题。他们不是在围观，是在实战——他们在认真评估，飞书CLI能否进入自己的生产环境。从开发者的实践到社区的共建，都指向同一个判断：飞书正在成为Agent最核心的工作空间。为什么是飞书？因为Agent要真正做事，需要三样东西同时具备——上下文，飞书上沉淀了企业多年的消息、文档、日程、妙记、多维表格、OKR，Agent接入的不是空壳，是蓄满数据的池塘；执行力，CLI打通17个业务域，Agent授权后知道你属于哪个部门、有什么角色、能看什么数据，这套权限贯穿所有模块；交互界面，飞书的Bot机制让Agent瞬间有了一个每个同事都会用的前端，不需要单独开发UI。三层叠起来，飞书就是Agent最自然的工作空间。万星只是起点，此刻开发者们已经用脚投票选出了Agent的工作平台。

8. 苹果防线全线血崩！Mythos5天攻破最强硬件，全球20亿台设备危了 [2026-05-15]

就在刚刚，苹果这座「永不陷落的堡垒」被打穿了。为了守护全球20亿台活跃设备的绝对安全，库克在库比蒂诺总部深处秘密进行了长达五年的「军备竞赛」。这项被命名为MIE（内存完整性强制执行）的技术，是苹果耗资数十亿美元、集结数千名顶尖工程师、从芯片底层重构硬件架构的终极成果。内存损坏漏洞是困扰了iOS和macOS数十年的头号杀手，这座堡垒专门为它而造。然而，2026年4月，这座耗时五年筑起的宏伟防线，在短短120小时内全线崩塌了。而「炸穿」这座堡垒的，仅仅是由三个人组成的人类工程师小队，以及Claude Mythos。五年的工程，在5天内被攻陷。这一天，被安全界称为网络安全的「奥本海默时刻」——AI已经掌握了从物理层面瓦解人类最强防线的「核密码」。

投入十亿美元打造的移动金库，这个描述毫不夸张。长期以来，黑客入侵苹果系统的核心逻辑只有一条：内存损坏。通过制造溢出、利用残留内存，黑客可以像撬锁一样逐步获取系统最高权限。几乎所有针对iPhone的高端攻击链，最后都要走「内存损坏漏洞」这条路。苹果的应对策略是：既然软件防不住，就把防线推到硬件里。为了彻底堵死这条路，苹果在最新的M5芯片和A19芯片中引入了划时代的MIE。首先，它进行了物理层面的锁死，基于ARM的MTE技术直接在芯片层面给每一块内存贴标签，任何非法访问在硬件层就被拦截。根据官方说法，MIE能「打断所有已知的现代iOS公开exploit链」，包括此前泄露的Coruna和Darksword攻击工具包。苹果内部认为，经过五年闭关的MIE是「史无前例的工程壮举」，足以让所有公开的内核漏洞利用程序瞬间失效。在苹果的设想中，MacBook不再只是生产力工具，它是一座移动的金库，装载着全球最有价值的CEO、记者和政府官员的秘密。五年研发，整个芯片团队参与，投入以十亿美元为单位计，这是苹果对整个安全架构的一次重注。偏偏，他们唯独算漏了一个变量：AI进化的速度。

这场足以载入史册的对决，节奏快得令人窒息。4月25日，Palo Alto安全公司Calif的研究员Bruce Dang初步嗅探到M5内核中疑似存在的一丝缝隙。4月27日，传奇黑客Dion Blazakis紧急加入，小队集结完毕，Mythos开始全功率运转，疯狂扫描底层代码。5月1日，仅仅5天，一个名为「MAD Bugs」的漏洞链闭环就完成了。结果令人惊叹：一个普通用户权限的程序，在搭载M5芯片、开启最高等级MIE防御的macOS上，瞬间夺取了Kernel（内核）最高权限。这是史上第一个公开的、在M5硬件层面存活并完成绕过的内核漏洞。这就好比，你花费五年时间修筑了一座能抵御核弹的地下掩体，结果邻居家的AI只用了五天，就通过分析地基的震动频率，找到了一根能撬开大门的铁丝。人类的努力，在AI面前不值一提。

整个exploit链是这样跑的：从一个无特权的本地用户出发，只使用正常的系统调用，通过两个漏洞加一组技术手段，完成内核级权限提升，最终拿到root shell。整个过程在裸机M5硬件上完成，内核MIE全程开启。技术上属于data-only attack——不注入代码，只操纵数据。这恰恰是MIE最难防的攻击面。在此过程中，Mythos展现出的，是令人胆寒的「泛化与重组」能力。Calif的首席执行官Thai Duong直言不讳：「Mythos的神奇之处在于，只要它学习过某一类问题的攻击逻辑，它就能迅速将其应用到任何未知的领域。」虽然目前它还无法完全独立自主地发明一种前所未见的攻击方式，但在人类专家的指引下，它变成了一个超级倍增器。人类需要数月阅读的代码，它能在数秒内完成逻辑建模。它能像玩拼图一样，把两个看似无关的微小Bug，精妙地组合成足以致命的杀招。之前在Firefox测试中，Mythos两周内揪出了100个高危漏洞，而全人类专家两个月才找出来这么多。当然，这个过程中AI并不是万能的，Mythos的强项是模式识别，但MIE是全新的防御体系，自主绕过它超出了当前AI的能力边界。这个时候，AI的缺陷由人类补上了——Bruce Dang的漏洞嗅觉、Dion Blazakis的exploit工程经验、Josh Maine的工具链，三个人加一个AI，构成了一支微型但致命的攻击编队。

苹果的M5防线血崩只是技术层面的失败，但这件事背后揭露出一个可怕的事实：安全行业的逻辑，已经彻底崩塌了。首先就是200万美元的财富蒸发。现在一个macOS零日漏洞在黑市的价格超过了200万美元，这个价格之所以高，是因为能打穿苹果防线的团队极其稀少。以前这需要像谷歌Project Zero这样的全球顶级团队花6个月去钻研。曾经，苹果傲慢地以为只有那几个大国组织能威胁自己。但现在，Mythos把这个门槛打下来了——拥有Mythos这种AI工具的小型创业公司、甚至是个别激进的研究者，都具备了「核威慑力」。威胁者的数量正从两位数爆发式增长到四位数。而且，人类防线在AI面前都已经形同虚设。传统的防御逻辑是：发现漏洞 -> 编写补丁 -> 全球推送，但现在安全圈已经有了一个专门的词：Bugmageddon（漏洞末日）。AI发现漏洞的速度正在超过人类修补漏洞的速度，而且前者是后者的10倍。在Calif报告的结尾，有这样一段话：「苹果在一个没有Mythos的世界里设计了MIE。而我们即将看到的，是这个星球上最强的防御技术，如何在AI漏洞潮汐中自保。」当AI学会了如何绕过最底层的物理防线，我们所赖以生存的数字生活——从银行账户到隐私照片，从自动驾驶到国家电网——都将置于一种透明的、极度危险的境地。白宫已经紧急行动，试图通过行政令来接管这种「拥有过大力量」的AI模型。但潘多拉的魔盒一旦打开，就再也无法关上。现在，我们正在见证历史：昨夜，硬件防线崩塌；明日，人类安全归零。欢迎来到AI攻防的新纪元。

9. Hassabis狂赞！谷歌爆改50年鼠标，指哪AI打哪，连提示词都省了 [2026-05-15]

那个陪了你50年、从未改变过的鼠标指针，要长出大脑了。自1970年代诞生以来，鼠标指针几乎没有进化过。它出现在每一个网站、每一份文档、每一套工作流程里，却从未真正理解过你在做什么。近日，Google DeepMind发布研究博客，展示由Gemini驱动的实验性原型「AI-enabled pointer」，并在Google AI Studio开放两个实验Demo。负责这个项目的研究员Adrien Baranes和Rob Marchant在官方博客里写道：「我们正在开发更无缝、更直观的与AI协作的方式。」DeepMind CEO Demis Hassabis更是亲自发帖，称这次体验「相当神奇」。鼠标的图标没变，但箭头背后的逻辑变了：不再只知道你指向哪里，而是开始理解你想干什么。目前这个原型已经可以在Google AI Studio中体验，已开放两个Demo：编辑图片（AI-Pointer: Create）和地图找地点（AI-Pointer: Find）。

你每天浪费多少时间在「解释上下文」？想一下这个你每天都在重复做的场景：打开ChatGPT或者Gemini等AI工具的对话窗口；切回你正在看的网页或文档，选中那段你想分析的内容，复制；切回AI窗口，粘贴。再用一两句话解释你要什么。等待。拿到结果；再切回去执行……每一次「切窗口→复制→解释→等待→切回来」，都是一次认知中断。你在AI那里花的大量时间，其实并没有用在真正的问题上，而是用在了「告诉AI你在看什么」。DeepMind对于这个问题看得很准：通常，AI工具住在自己的窗口里，用户需要把自己的世界拖进去。我们想要的恰恰相反：AI应该来找你，而不是你去找AI。这句话点透了过去两年AI交互模式最核心的结构性缺陷。

AI-enabled pointer要解决的，正是这类摩擦。Adrien认为这个项目的核心命题只有一个：如何构建一个能真正理解流动用户意图的系统。这背后有四个设计原则，是这套系统的骨架，共同回答一个问题：怎么让AI读懂你的意图，而不需要你花力气解释。第一个原则叫「Maintain the flow」，保持流畅。按DeepMind的设计目标，AI能力不应把用户带离当前应用，而应尽可能出现在用户正在工作的上下文中。指着一份PDF说「给我一个摘要，直接可以粘进邮件的那种」，AI完成，你继续。第二个原则叫「Show and tell」，指给它看。现在用AI，你需要写一段详细的提示词，描述你要处理的内容是什么、长什么样、上下文是什么。AI-enabled pointer把这一步省掉了。光标悬停在哪里，Gemini就捕获那里的视觉信息和语义上下文，你不需要描述你看到的东西，因为AI已经看到了。

第三个原则是DeepMind最喜欢强调的一个：「Embrace the power of This and That」，拥抱「这个」和「那个」的力量。想想人和人之间怎么协作。你不会跟同事说「请将第三行第二列的数值乘以二并更新到对应的汇总表格里」。你会说「这个数字，改成两倍，更新到那里」，然后用手指一指。AI-enabled pointer要让人机协作变得像人与人协作一样自然。技术实现上，可以理解为系统不再只解析语音里的文字，而是把「this」「that」「here」「there」这类指代词，与光标或手势所指向的视觉和语义上下文关联起来。所以，当用户说「把这个便签改成橙色」时，「这个」不再只是一个模糊代词，而会被系统结合当前指向的位置、对象和上下文来理解。Gemini拿到的也不只是字面上的一句话，而是由语音、指向和屏幕内容共同构成的意图。提示词的本质一直都不是文字，而是意图。现在，意图终于可以用最短的方式传达了。更有意思的是，「指向」并非只有鼠标一种方式。演示里，Adrien用的是头部追踪：头转向哪里，AI注意力就跟到哪里。语音、文字、图像理解，全部同时在线。

第四个原则最有技术含量：「Turn pixels into actionable entities」，让像素变成可操作的实体。过去50年，光标只知道你指的是哪里，却看不懂你指的是什么，AI-enabled pointer要改变这件事。你悬停的那张图里有一栋建筑，AI识别出「这是一个地点」，于是「给我导航」成了一个可以直接触发的操作；你拍下一张手写便条，AI看懂了上面的字，便条自动变成了一份可编辑的待办清单；你在旅游视频里暂停了一帧，画面里那家看起来不错的餐厅，直接可以弹出订位链接。演示里还有一个细节让人印象很深：Adrien指着一份餐厅菜单，再指着另一张风格参考图，说「用这张图的风格，帮我把这份菜单画出来」。Gemini同时读懂了菜单的内容和参考图的视觉风格，生成了一张融合两者的新图，这不是两步操作，是一句话、两个手势，完成的事。像素第一次有了语义。

DeepMind并没有停在概念层面。Google表示，相关交互原则已开始进入产品：在Chrome中，用户可以用指针指向/选择网页中的内容，并向Gemini提问。Googlebook上的Magic Pointer已被Google列为即将推出的系统级能力，首批Googlebook设备计划于今年秋季上市。从演示到日常可用还有一段路要走，识别准确率、跨应用兼容性、响应速度，都需要在真实的复杂桌面环境里经历打磨。还有一个问题值得认真对待：AI-enabled pointer需要持续理解你的屏幕内容，数据如何采集、如何存储、流向哪里，DeepMind目前尚未详细说明。这些并非障碍，而是一项新交互范式从实验室走向大众必须经历的过程。每一项改变交互方式的技术，都经历过这个阶段。触屏手机在第一代iPhone发布时，也没有人敢保证它能取代键盘。

把这只指针放回50年人机交互史的时间线上，它的意义会变得很清楚。1973年，Xerox Alto把图形界面、位图显示和鼠标等现代桌面交互雏形带入实验系统。1984年，Macintosh让鼠标与图形界面进入大众视野，人开始用「指」图标完成操作。2007年，iPhone让手指直接成为主要输入方式，触屏成为移动计算的核心交互。每一次跃迁，背后都是同一件事：机器学会了更多，人需要学的就变少了。2022年之后的提示词框是另一条线，人把意图翻译成自然语言，递给一个对话框，再等机器返回答案。表达带宽变宽了，但表达环节本身没消失，你还是要打字、描述。2026年这只指针试图压缩的是「解释上下文」这一步，而不是完全消灭表达本身。前四代交互都是「人主动表达」，这一代第一次是「机器主动理解」。手势+语音+语义理解同时到位，意图的传达方式从「精确描述」变成了「自然指向」。提示词工程在这个范式中几乎不再存在。Adrien在视频结尾描述了他想象中的未来：一种新型操作系统，AI主动呈现我可能感兴趣的内容，我用指向回应它，我们共享注意力，共享画布，就像和另一个人一起工作。AI交互的终点，并非一个更聪明的搜索框，而是一个真正能和你协作的伙伴。最好用的工具，往往是你忘记它存在的那种。鼠标陪了人类50年，下一个50年，它或许会真正开始理解你。

10. 2026美国最大IPO，首日暴涨108%！VC狂赚76倍，奥特曼躺赚 [2026-05-15]

2026年，美国最大科技IPO诞生了！AI芯片公司Cerebras正式登陆纳斯达克，上市首日暴涨108%。IPO定价185美元/股，开盘直接跳到385美元，截止收盘311美元，估值一度高达1000亿美元。Cerebras一口气卖出3000万股，融资55.5亿美元。这可是自Uber 2019年上市以来，美国科技公司最大IPO之一，势头比当年的Snowflake还要猛。纳斯达克交易大厅里，Cerebras创始人兼CEO Andrew Feldman敲响了开市钟。如今，一大批VC投资人一夜暴富，奥特曼手持8.9万股，坐地翻了10倍飙到约3000万美元。Cerebras震撼开局，成功引爆2026年AI IPO首秀，接下来还有OpenAI、SpaceX、Anthropic排队入场。AI IPO的大爆发，要开始了。

不得不说，一年前没有人相信这一天会来。2015年，半导体行业老兵Andrew Feldman联手芯片行业资深专家创立了Cerebras。2019年开始卖芯片的时候，Feldman自己说了一句话，「没人在在乎，市场还没准备好」。但要说Cerebras的上市之路是一部悬疑剧，一点不夸张。2024年9月，Cerebras第一次递交IPO申请，结果被美国外国投资委员会（CFIUS）盯上了——原因是其大客户兼投资方G42来自阿布扎比，且当时G42贡献了Cerebras 87%的营收。国家安全审查一拖再拖，投资人信心崩了，IPO计划被迫搁置。一年后的今天，剧情彻底反转。AI模型终于变得「聪明且有用」，Cerebras的业务直接爆发：2025年营收5.1亿美元，同比增长76%。更关键的是，从亏损4.82亿美元直接翻盘为盈利2.38亿美元。仅仅一年的时间，从巨亏到暴赚，这个翻转让投资者彻底坐不住了。客户名单也从G42独大，变成了OpenAI、AWS、G42、MBZUAI多家并行。OpenAI签了一份超过200亿美元的多年期合同，锁定750兆瓦的Cerebras算力，从2026年开始分阶段部署。AWS宣布在自己的数据中心部署Cerebras CS-3芯片，通过Amazon Bedrock向开发者开放。

Cerebras的IPO，制造了一场教科书级别的VC退出盛宴。从种子轮到敲钟，这些机构等了整整十年。Foundation Capital投了大约3700万美元，持股7%，按IPO价185美元算，价值28亿美元，76倍回报。按首日收盘价311美元算，约48亿美元。Benchmark同样是2016年A轮入局，普通合伙人Eric Vishria领投，它总共投了2.68亿美元，持股8.1%，IPO价对应32亿美元，12倍回报。按收盘价算，直接飙到55亿美元。Eclipse Ventures投了1.465亿美元，持股6.2%，IPO价对应25亿美元，17倍。Eclipse的故事更有传奇色彩，做出投资决定的人是「仙童半导体」的95岁老兵Pierre Lamond。Lamond在Khosla Ventures时，就投过Feldman的前公司SeaMicro，之后加入Eclipse。2016年Cerebras成立一年后，他决定再投一次，这等于硅谷芯片教父亲自给Cerebras盖了章。

要说所有VC回报里，最离谱的是OpenAI！先说奥特曼个人。根曝光的法庭文件，奥特曼早在2017年2月就个人投资了Cerebras，那时候ChatGPT还没影儿呢。截至2025年底，他持有89373股，当时价值约320万美元。上市首日，这些股份的价值飙到了约3000万美元，这些钱安静地翻了10倍。此前OpenAI曾一度考虑过直接收购Cerebras，虽然收购没谈成，但双方在一个平安夜达成了一份「神秘协议」——未来几年，如果OpenAI从Cerebras购买价值数十亿美元的推理算力资源，就能获得高达11%的股份。而OpenAI为这些股份支付的价格，每股不到1美分。随着IPO价格定在185美元，OpenAI的持股价值瞬间膨胀。目前估算，OpenAI账面浮盈约18亿美元。值得一提的是，OpenAI联创Greg Brockman也曾以个人身份持有Cerebras约7.7万股，按收盘价311美元算，Brockman个人持仓价值约2400万美元。

Cerebras的核心武器是WSE-3（Wafer Scale Engine 3）。一块芯片占满整块300mm晶圆，面积46225平方毫米，差不多一个餐盘那么大。普通芯片大约800平方毫米，WSE-3是其近60倍。在参数上WSE-3实现了碾压——4万亿晶体管（英伟达B200的19倍），90万个AI优化核心，125 petaflops AI算力（B200的28倍），5nm工艺，台积电制造。别人在用「多卡并联」解决算力问题，Cerebras直接把整块晶圆变成一颗巨型处理器。这种暴力美学的背后，是一个关键判断：推理才是AI的未来战场。训练一个大模型可能做一次就够了，但推理——让模型回答每一个问题、执行每一个Agent任务——是持续、永不停歇的算力消耗。Cerebras声称，他们的推理速度比英伟达GPU集群快10到20倍。

Cerebras IPO只是开胃菜，真正的重头戏还在后面。SpaceX（含xAI）最快6月路演，估值目标1.75万亿美元，计划拿出30%给散户认购，这在IPO历史上前所未有，如果成了，将是人类历史上最大的IPO。OpenAI目标2026年Q4上市，估值瞄准1万亿美元，刚完成1220亿美元的史上最大单笔私募融资，但2025年收入131亿美元，亏损高达140亿美元，预计要到2030年才能盈利。Anthropic计划10月上市，目前已达成300亿美元融资，估值9000亿美元，IPO募资可能超600亿美元，最新年化收入已从2025年底的90亿飙升至超过440亿美元。三家合计估值超3万亿美元。Fortune写了一句狠话：「SpaceX、OpenAI和Anthropic可能重启IPO市场，也可能把它抽干」。如果三家在半年内集中上市，合计融资可能超过2400亿美元，超过近年来大多数年份美国全年的IPO融资总额。

但如果你以为华尔街只是在赌一家芯片公司的财务报表，那就太天真了。把时间线拉长来看，Cerebras的故事揭示了一个更深层的逻辑：资本正在提前下注ASI。回到2017年，Greg Brockman在给OpenAI团队的邮件里写过一句话：「独占Cerebras的硬件，将给OpenAI带来对谷歌的压倒性算力优势」。那时候ChatGPT还不存在，LLM还是学术论文里的概念，但OpenAI的核心团队已经清楚地知道一件事：通往AGI乃至ASI的道路，最终是一场算力军备竞赛。2026年的今天，这个判断正在被疯狂验证。这场IPO真正押注的，从来就不只是一家公司的市盈率，它押注的是：人类正在建造的下一种智能。而这种智能，需要的算力规模，远远超出今天所有人的想象。当资本开始用660亿美元给一家成立10年的芯片公司定价，当OpenAI愿意拿出200亿美元只为锁定1/40的算力缺口，当SpaceX、OpenAI、Anthropic排着队准备万亿级IPO——这是人类文明在为超级智能的到来，提前铺设地基。谁先把地基打好，谁就赢得ASI时代的入场券。谁在观望，谁就永远只能当观众。